垂类业务如何落地生产级-Agent
一句话概括
阿里技术从企业落地视角梳理垂类生产级 Agent 的方法：先选择高频、低风险、规则明确且闭环短的场景，把目标和红线写成可验收规格，再用风险分级、知识编译、动作目录、状态检查点、分层评测和反馈回写把“能跑”的 Demo 变成稳定、可控、可审计的业务系统。
实践内容
先定目标、边界和最小闭环
生产级 Agent 要同时过稳定性、可控性、可审计性和业务闭环四道关。文章建议从高频、低风险或可隔离、规则相对明确、从受理到完成路径较短的场景切入，并用对象、基线、目标值、红线和测量方式定义目标。咨询与执行要拆开，不能让同一个自由 Agent 既给出政策结论又直接写入高风险系统。
按风险分级控制自治程度
L0 适合纯信息展示和检索，L1 用于辅助决策并要求人工确认，L2 只在高确定且可逆的条件下自动执行并事后复核，L3 面向强合规或高资损操作、由人主导且逐步审批。工程上要建立动作目录，将“能不能做”从 Prompt 挪到调用前的策略执行点（PEP），再把 SOP 编译为包含进入条件、槽位、守卫和停止条件的可执行契约。
知识编译与运行时护栏
传统 RAG 可能召回冲突、过期或缺少例外条件的片段。文章借鉴 LLM-Wiki 的 Ingest、Query、Lint 三分法，把原始资料先编译成可引用结论，再按权限、时效和场景消费，定期检查断链、冲突、过期和覆盖缺口。运行时则记录 scene_id、policy_version、tool_call_id 和决策结果，为错误回放、责任定位和人工接管保留证据。
让循环可恢复、可评测、可演进
长任务需要外部化状态、检查点、取消和续跑能力；Loop 每轮都要有独立验证器、最大重试次数和转人工出口。评测不能只看最终答案，而要覆盖输入理解、知识命中、工具参数、Trace、中间产物、最终结果和成本，并将线上失败沉淀为用例、Trace、根因标签、修复建议和回归集。只有通过分层评测和灰度门禁，策略或 Prompt 才能进入生产。
摘录
生产级 Agent 的核心问题不是“能不能回答”，而是同一类任务在真实流量下能否重复完成、越权能否被拦住、事后能否还原它看了什么和调用了什么，以及结果是否真正进入业务系统并可验收。Demo 的偶尔惊艳不能替代这四类证据。
风险分级把自治程度与确定性、可逆性连接起来：只读信息可全自动，建议类任务让人确认后执行，可撤销的高确定写入可以事后复核，不可逆或高资损动作则必须保留人工审批。L2 的可逆性不是自然存在的，需要幂等键、撤销窗口和补偿接口等工程保障。
文章把 Agent 生产闭环概括为知识、工具、循环和评测的协作：知识要在摄入时编译并持续体检，工具要有动作目录和 PEP，循环要能保存状态并在失败时停下，评测要把过程和结果变成可比较的证据。模型只是其中提供推理能力的一层，Harness 决定这份能力能否安全作用于真实世界。
涉及实体
- Harness-Engineering —— 工具、沙箱、权限、预算、状态和评测组成的运行时
- Loop-Engineering —— 发现、执行、验证、记忆和停止构成的外层循环
- Context-Engineering —— 按权限、时效和场景提供可用上下文
- AI-Friendly架构 —— 让系统边界、动作和状态可被 Agent 理解与调用
- AI可观测性 —— 通过 Trace、成本和策略版本重建运行证据
- Generator-Evaluator —— 用独立评判器验证生成结果与停止条件